Veo 3.1プロンプトガイド

Veo 3.1プロンプト生成はこの順番でプロンプトを書きます。このガイドでは各パートを説明します。モデルについてはVeo 3.1のページをご覧ください。

GoogleのVeo 3.1のプロンプトガイドは、5つの要素を挙げています。カメラが最初に来るのは、ほかの要素で埋めるべき範囲をカメラが決めるからです。サウンドはその後に、独立した文で続けます。

1. 1カメラから始めます：ショットサイズ、アングル、カメラワーク1つ、必要ならレンズ。
2. 2被写体は、変えてはいけない細部とともに書きます。
3. 31つの動作を現在形（〜する）で、始まりから終わりまで書きます。
4. 4場所と時間、天気、背景を加えます。
5. 5見た目、光とその向き、雰囲気を決めます。
6. 6最後にサウンドを書きます：セリフは話者の後に引用符で、続けて「SFX:」と「Ambient noise:」。

Google DeepMindのVeo 3向けガイドも同じ要素を使い、1行のものから長い実況風のものまで、各プロンプトを動画と並べて紹介しています。旧モデル向けに書いたプロンプトは3.1でも使えます。

Veoは映像の言葉を理解するので、カメラマンのようにショットを名指ししてください。これらの用語はGoogleのプロンプトガイドからのものです。

カメラワークはクリップごとに1つ。8秒の中でドリーがアークに変わると、どちらもにじみます。セリフには、固定ショットかゆっくりのドリーインを使うと、顔が安定します。

Veo 3.1のクリップには、どれも映像と一緒に作られたサウンドが付きます。Googleはサウンドを独立した文で書くよう求めており、同社のVeo 3.1ガイドでは層ごとにラベルを付けています。ネイティブオーディオもご覧ください。

1. 1話者を書いてから、セリフを引用符で：女性が（英語で）「We have to leave now.」と言う。
2. 2必要なところに口調を加えます：彼が（英語で）疲れた声で「Not again.」と言う。
3. 3効果音はそれぞれ「SFX:」の後に書きます：SFX: ドアがバタンと閉まる。
4. 4背景音は「Ambient noise:」の後に書きます：Ambient noise: 宇宙船のブリッジの低いうなり。
5. 5音楽は音として書きます：穏やかなオーケストラの曲が流れ始める。

• 4秒なら短いセリフ1つ、8秒なら2つ。話す速さは1秒に2〜3語です。
• どのセリフにも画面に映る話者を付けます。そうしないとナレーションになることがあります。
• セリフは英語で書きます。Googleのモデルリファレンスでは、プロンプト言語として英語が記載されています。Veoは同じ生成の中で口を動かします。リップシンクもご覧ください。

字幕と崩れた話し声

Googleは、短いセリフでの自然な話し方を、まだ改善中の限界として挙げています。MIT Technology Reviewは、プロンプトで字幕なしを指定しても、セリフのあるクリップに崩れた字幕が出ることを確認しており、Googleの助言はもう一度実行することでした。ですから、文字のないすっきりした画面を描写し、文字を入れたいとき以外は看板やキャプションを入れず、セリフはシンプルにして、すべてのテイクを聞いて確認してください。

長さはVeoがプロンプトを読む前に決まっているので、その秒数に収まるものだけを書きます。長すぎる動作は急ぎ足になり、長すぎるセリフは途中で切れます。

Googleのガイドでは、1つの8秒のクリップを時間指定したショットに分ける方法も紹介しています。各ショットは[00:00-00:02]のような範囲で始めます。2秒は短いので、カットが重要なときだけに使ってください。Veoが作れるのは16:9か9:16だけです。正方形や21:9なら、Kling 3.0プロンプトガイドをご覧ください。

Googleのツールは、画像を2つの方法で受け取ります。動かす最初のフレームとして、または新しいショットの中で保つ、最大3枚の1人の人物、キャラクター、商品の参照画像としてです。画像から動画生成と参照画像から動画生成もご覧ください。

Googleの参照画像の例では、被写体をシンプルに名指ししています：「花でいっぱいの花瓶を持った人が入ってきて、その花瓶をキッチンのテーブルに置く。」参照画像はVeo 3.1とFastで使え、Liteでは使えません。また、その場合フルモデルは8秒の動画を作ります。

DreamBenchでは、画像は設定シートになります。Veo 3.1は各クリップで最大3枚を受け取り、そのクリップは8秒になります。FastとLiteでは、DreamBenchが設定シートから開始フレームを描きます。

Googleは3つのバージョンすべてで最初と最後のフレーム指定を提供しています。始まりと終わりの画像を渡すと、Veoがその間の動きを、サウンド付きで4秒、6秒、8秒で作ります（Google Cloud）。Googleの例のように、変化を描写してください：「手が伸びてきて、クッキーの皿の横に牛乳のグラスを置く」。2枚のフレームは、光とフレーミングを近づけておきます。最初と最後のフレーム指定もご覧ください。

DreamBenchでは、Veoに開始フレームや終了フレームを指定できません。作成画面が参照画像から各クリップを作るので、ショットの終わり方はプロンプトの最後の文で書きます。

GoogleのAPIには、ほしくないものを書くネガティブプロンプトの欄があります。同社のプロンプトガイドは、「壁なし」ではなく「壁、枠」のようにものを列挙するよう説明しています。メインのプロンプトでは、Veo 3.1ガイドが、代わりに結果を描写するよう勧めています。

DreamBenchはVeoにネガティブプロンプトの欄を送りません。DreamBenchが書くプロンプトには、セリフのあるクリップの場合、焼き込み字幕を挙げた短い「Negative:」の行が入ります。「動画」ページでは、結果を描写し、除外したいものはプロンプト生成と同じように、最後の1行にまとめてください。

2つのVeoのクリップが一致するのは、両方に渡したものだけです。GoogleのVeo 3.1ガイドでは、まずキャストと舞台の参照画像を作っています。プロンプトでは、次のようにします：

• 各キャラクターを毎回同じ言葉で描写します。「短く切った銀髪に緑のワックスジャケットを着た、背の高い60代の女性」のように。
• 服、小道具、時間帯、光、声を保ちます。

DreamBenchでは、各キャラクター、場所、小道具を設定シートとして一度だけ描き、それが登場するすべてのショットはその設定シートから始まります。キャラクターの一貫性もご覧ください。

Googleは、1ショットを超える方法を2つ示しています。1つの8秒のクリップの中で時間指定したショットを作る方法と、同じ参照画像から別々のクリップを作る方法です。DreamBenchは後者を採用しています。映像は、1ショットずつの複数のVeoの生成を1本につないだものなので、8秒を超える長さにでき、どのショットも作り直せます。

• 動作は1ショットに1つ、長さは4秒、6秒、8秒。DreamBenchでは、設定シートを使うVeo 3.1のクリップは8秒になります。
• カットごとにフレーミングを変え、1つのセリフは1つのショット内に収め、環境音はつなぎ目をまたいで流します。

型に沿って各ショットを書くか、DreamBenchで映像の内容を説明してください。DreamBenchがすべてのショットを書き、レンダリングし、1本につなげます。マルチショット動画もご覧ください。

DreamBenchの「動画」ページや、Veo 3.1が使えるツールに貼り付けてください。

カメラに向けたフック

縦長9:16、6秒。手持ちの自撮りショット。夜明けの風の強い桟橋で、グレーのニット帽の若い男性がレンズを見つめて、（英語で）「I tried every coffee in town. One won.」と言う。やわらかく冷たい光。Ambient noise: 風、カモメ。

2人の会話

横長16:9、8秒。固定のツーショット。自転車の修理工房で、濡れたジャケットの客が（英語で）「Ready by Saturday?」と尋ねる。整備士がホイールを回して「Friday, if the parts turn up.」と言う。温かい電球の光。SFX: カチカチと鳴るフリーホイール。Ambient noise: トタン屋根を打つ雨。

商品のクローズアップ：腕時計

横長16:9、6秒。マクロレンズで、暗いスレートの上に置かれた緑の文字盤のスチール製腕時計に沿ってゆっくりドリー。秒針が12を過ぎると同時に、水滴がガラスを伝って流れる。左からの硬い光。SFX: 澄んだチクタク音。

料理：中華鍋のにんにく

縦長9:16、4秒。真上からの固定ショット。スライスしたにんにくが黒い中華鍋の熱い油に落ち、泡立って金色に変わる。窓からの光の中を湯気が立ちのぼる。SFX: 大きなジュッという音。

エスタブリッシングショット

横長16:9、8秒。夜明けのフィヨルドにある漁村の上を低く飛ぶドローンの空撮ショット。上昇して雪をかぶった山々を映し出す。赤い木造の家々、水面の霧。フォトリアル、山頂で暖かくなっていく冷たい光。Ambient noise: 風、遠くのエンジン音。

動く動物

横長16:9、6秒。望遠レンズ、ローアングル。茶色の野ウサギが霜の降りた野原を全速力で駆け抜け、急に向きを変えてぴたりと止まり、耳を立てる。背後に低い冬の太陽。SFX: ドンドンと地面を蹴る足音。Ambient noise: 遠くのカラス。

音楽付きのストップモーション

横長16:9、8秒。ストップモーションのクレイアニメ、固定のワイドショット。ニットのマフラーを巻いた粘土のキツネが雪だるまを作るが、頭が落ちてキツネはため息をつく。温かいスタジオの光。弦をはじく軽やかな曲が流れ始める。SFX: やわらかなポトッという音。

1クリップに4つのショット

横長16:9、8秒。[00:00-00:02] ストップウォッチを押す手のクローズアップ。[00:02-00:04] トラックを蹴るスパイクを低い位置から追うトラッキングショット。SFX: ゴムを打つスパイクの音。[00:04-00:06] ゴールラインに向かって胸を突き出す彼女のミディアムショット。[00:06-00:08] ハイアングルのワイド：彼女は速度を落とし、ひざに手をつく。スタジアムには誰もいない。Ambient noise: 彼女の息づかい。

最初のフレームから

画像の女性が本から顔を上げ、窓に雨が降り始めたのを見て微笑む。ゆっくりドリーイン。SFX: ガラスに当たる最初の雨粒。Ambient noise: 静かなカフェ。

最初と最後のフレームの間

横長16:9、8秒。固定ショット。回るろくろの上で、陶芸家の手が濡れた粘土を引き上げて背の高い花瓶にし、手を離す。高い窓からのやわらかな日の光。SFX: ろくろの低い回転音。

2ショットの連続：ガーデナー

ショット1。横長16:9、8秒。ワイドショット、ゆっくり右へパン。短く切った銀髪に緑のワックスジャケットを着た、背の高い60代の女性が、夜明けに霜の降りたキャベツの間を、腕にかごをかけて歩く。冷たく青い光。Ambient noise: 凍った地面を踏むブーツの音、コマドリ。

ショット2。横長16:9、6秒。固定のクローズアップ。短く切った銀髪に緑のワックスジャケットを着た、背の高い60代の女性がひざをつき、キャベツの霜を払って、（英語で）そっと「Just in time.」と言う。金色に変わっていく夜明け。SFX: 茎を切るナイフの音。

どちらのショットも彼女を同じ言葉で描写し、夜明けの光も保っています。カットで変わるのはフレーミングです。

弱いプロンプトは、たいてい短すぎます。書かれていない部分は、どれもVeoが代わりに決めます。

• 同じプロンプトを2回実行すると、2つの違うクリップができます。
• 短いセリフは不自然に聞こえることがあり、不要な字幕が出ることもあります。すべてのテイクを確認してください。
• 1回の生成は8秒で止まり、16:9か9:16です。
• 実在の人物や商品は、言葉だけでは再現できません。使用する権利のある画像が必要です。
• DreamBenchの「動画」ページでは、2,600文字を超えるプロンプトは受け付けられません。

• クリップ1本なら、「動画」ページにプロンプトを貼り付け、Veo 3.1、Fast、Liteのいずれかと、4秒、6秒、8秒の長さ、16:9か9:16を選びます。プロンプトは書いたとおりにVeoに送られます。
• プロンプト1本なら、Veo 3.1プロンプト生成が、このガイドの順番で、テキストかJSONで書きます。
• 映像なら、内容を説明し、参照画像を最大8枚追加して、Veo 3.1を選びます。DreamBenchがすべてのショットを書いてレンダリングし、1本につなげます。どのショットも、メモを添えて作り直せます。
• 提供なし：開始・終了フレーム、ネガティブプロンプトの欄、クリップの延長。

フルモデルのVeo 3.1にはPlus以上のプランが必要です。FastとLiteはすべてのプランで使えます。生成前にクレジットでの料金が表示されます。初回は無料アカウントを作成し、プランを選んでください。言葉だけから作るプロンプトについては、テキストから動画生成をご覧ください。